1.5 重叠因子：考夫曼自适应移动平均线(Kaufman Adaptive Moving Average, KAMA)概念与Python实战

0. 本栏目因子汇总表

【量海航行】

1. 因子简述

考夫曼自适应移动平均线(Kaufman Adaptive Moving Average, KAMA)是由Perry Kaufman开发的一种自适应技术指标。它的独特之处在于能够根据市场波动性自动调整移动平均的敏感度，在趋势市场中减少滞后，在震荡市场中增加平滑度。这种自适应特性使其比传统移动平均线具有更好的市场适应性。

2. 因子计算逻辑

KAMA的计算过程包含多个步骤，核心是通过效率比率(ER)来动态调整平滑系数：

$$\begin{array}{rl}ER& =\frac{|Clos{e}_t-Clos{e}_{t-n}|}{{\sum }_{i=1}^n|Clos{e}_i-Clos{e}_{i-1}|}\\ SC& =[ER\times (Fas{t}_{SC}-Slo{w}_{SC})+Slo{w}_{SC}{]}^2\\ KAM{A}_t& =KAM{A}_{t-1}+SC\times (Clos{e}_t-KAM{A}_{t-1})\end{array}$$

其中：

• ER为效率比率，范围[0,1]
• SC为平滑系数
• Fast_SC为快速平滑系数 = 2/(2+1)
• Slow_SC为慢速平滑系数 = 2/(30+1)
• n为效率比率周期（通常为10）

KAMA因子的计算：
$$KAM{A}_{factor}=\frac{Close-KAMA}{{\sigma }_n(Close)}$$

其中：

• σ_n(Close)为n周期收盘价的滚动标准差
• n为与KAMA相同的周期参数

3. 因子应用场景

1. 趋势跟踪：

   • 价格上穿KAMA，产生做多信号
   • 价格下穿KAMA，产生做空信号

2. 市场环境识别：

   • KAMA走势平缓，表明市场震荡
   • KAMA走势陡峭，表明市场趋势强劲

3. 动量分析：

   • 价格与KAMA的距离反映动量强度
   • KAMA斜率变化反映动量变化

4. 组合应用：

   • 与其他技术指标配合使用
   • 用于多周期分析和市场结构判断

4. 因子优缺点

优点：

1. 自适应性强：能根据市场状态自动调整灵敏度
2. 滞后性小：在趋势市场中反应迅速
3. 抗干扰性好：在震荡市场中保持平滑
4. 应用灵活：可用于不同市场和时间周期

缺点：

1. 计算复杂：相比简单移动平均计算量大
2. 参数敏感：不同参数组合可能产生不同效果
3. 信号延迟：在市场转折点可能存在一定延迟
4. 过度平滑：有时可能错过重要的市场转折点

5. 因子代码实现

def KAMA_factor(df, n=10, fast_period=2, slow_period=30):
    """
    计算考夫曼自适应移动平均线(KAMA)因子
    
    参数:
    df (DataFrame): 输入数据
        - code: 证券代码，如'600036.SH'
        - date: 日期，格式为'YYYY-MM-DD'
        - close: 收盘价
    n (int): 效率比率周期，默认10
    fast_period (int): 快速EMA周期，默认2
    slow_period (int): 慢速EMA周期，默认30
    
    返回:
    DataFrame: 包含原有列和KAMA因子值，理论取值范围(-∞,+∞)，实际大多在[-3,3]之间
    注意:
        1. 返回数据包含所有输入列
        2. 新增KAMA列为因子值
        3. date列保持原有字符串格式'YYYY-MM-DD'
        4. 数据将按code分组、date倒序排列
    """
    import numpy as np
    import pandas as pd
    
    # 创建副本避免修改原始数据
    df_copy = df.copy()
    
    # 检查code格式
    valid_codes = df_copy['code'].str.match(r'^(?:\d{6}\.(SH|SZ)|[A-Z]+/[A-Z]+|\w+\.(IB|CFE|US))$')
    if not valid_codes.all():
        raise ValueError("Invalid code format found")
    
    # 检查date格式
    valid_dates = df_copy['date'].str.match(r'^\d{4}-\d{2}-\d{2}$')
    if not valid_dates.all():
        raise ValueError("Invalid date format found, expected 'YYYY-MM-DD'")
    
    # 排序（使用字符串比较）
    df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False])
    
    # 按code分组计算
    def calculate_kama(group):
        close = group['close'].values
        # 计算方向变化
        change = np.abs(close - np.roll(close, n))
        # 计算波动
        volatility = np.sum([np.abs(close[i] - close[i-1]) for i in range(1, len(close))], axis=0)
        # 计算效率系数
        er = np.where(volatility != 0, change / volatility, 0)
        # 计算平滑系数
        fast_sc = 2.0 / (fast_period + 1)
        slow_sc = 2.0 / (slow_period + 1)
        sc = (er * (fast_sc - slow_sc) + slow_sc) ** 2
        # 计算KAMA
        kama = np.zeros_like(close)
        kama[0] = close[0]
        for i in range(1, len(close)):
            kama[i] = kama[i-1] + sc[i] * (close[i] - kama[i-1])
        
        # 计算n周期滚动标准差
        rolling_std = group['close'].rolling(window=n).std()
        
        # 计算因子值：使用滚动标准差标准化的价格偏离度
        # 处理标准差为0的情况
        group['KAMA'] = np.where(
            rolling_std != 0,
            (group['close'] - kama) / rolling_std,
            0
        )
        return group
    
    df_copy = df_copy.groupby('code', group_keys=False).apply(calculate_kama)
    
    # 按照最终要求重新排序并重置索引
    df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False]).reset_index(drop=True)
    
    return df_copy

测试数据：

6. 因子取值范围及其含义

KAMA因子的取值范围理论上是(-∞,+∞)，但实际上大多数值会落在[-3,3]区间内：

• 取值 > 2：表示价格显著高于KAMA（超过2个标准差），强烈超买信号
• 取值在(1,2]之间：表示价格高于KAMA一个标准差以上，偏多信号
• 取值在[-1,1]之间：表示价格在KAMA一个标准差范围内波动，震荡区间
• 取值在[-2,-1)之间：表示价格低于KAMA一个标准差以上，偏空信号
• 取值 < -2：表示价格显著低于KAMA（超过2个标准差），强烈超卖信号

7. 因子函数参数建议

1. n (效率比率周期)：

   • 默认值：10
   • 建议范围：[5, 30]
   • 参数说明：用于计算效率比率和标准差标准化
   • 选择建议：
     • 日线数据建议使用10-20
     • 小时线数据建议使用20-30
     • 分钟线数据建议使用5-10
     • 快速市场使用较小的n值
     • 慢速市场使用较大的n值

2. fast_period (快速EMA周期)：

   • 默认值：2
   • 建议范围：[2, 5]
   • 参数说明：决定KAMA对快速市场变化的反应速度
   • 选择建议：
     • 日线数据建议使用2-3
     • 小时线数据建议使用3-4
     • 分钟线数据建议使用4-5

3. slow_period (慢速EMA周期)：

   • 默认值：30
   • 建议范围：[20, 60]
   • 参数说明：决定KAMA在慢速市场中的平滑程度
   • 选择建议：
     • 日线数据建议使用30-40
     • 小时线数据建议使用40-50
     • 分钟线数据建议使用20-30

注意事项：

1. 参数选择应考虑市场特性：
   • 波动率大的市场适合使用较大的参数值
   • 流动性高的市场可以使用较小的参数值
2. 建议通过回测验证最优参数：
   • 在特定市场条件下进行参数优化
   • 避免过度拟合，保持参数的稳定性
3. 不同时间周期的数据应使用不同的参数设置